人工智能(AI)软件是中国企业投资和关注的重点。中国的AI软件市场在持续快速增长,竞争非常激烈。AI软件企业使用一种或多种AI技术(见图1),帮助企业解读事件、完成决策支持和自动化,以及采取相应行动。这些厂商的解决方案,可以解决AI价值链部分或整个生命周期的需求,包括构思、用例发现、数据收集、数据增强、AI开发,以及AI部署、监控和校准。
图1:Gartner人工智能技术框架

从图2可见,中国AI软件市场的未来受到三种关键力量的影响:
图2:影响中国AI软件市场未来的三种关键力量

相关法规会推动市场的可持续发展
AI已成为中国的一项国家战略,其目的在于促进经济发展、增强社会治理。考虑到监管环境,做好数据隐私、AI伦理和可解释型AI是成功的要点。相关法规也会推动整个AI行业的变化,使其以可持续、更健康的方式发展。
中国政府制定的一项指导方针指出,数据是继土地、劳动力、资本和技术之后的第五生产要素。为支持国家层面的AI发展计划,数据和分析领导者需要优先改善数据交换、数据质量和数据治理,加快培育数据市场。对专注于数据集成、数据标注和注记的厂商而言,这一指导方针意味着AI价值链上会产生更多的机会。
2022年2月正式启动的东数西算工程,会大幅提升算力的使用效率,满足AI的发展需求。
“本地化”需求会推动AI软件市场的差异化
多种细分业务应用开始嵌入AI功能,导致市场中发展出两类智能应用。其中,一类智能应用来自于国内传统软件厂商,这些厂商会受益于本地化。另一类智能应用,来自于专注特定领域或垂直行业的厂商。随着使用软件本地化程度的提高,预计未来会有更多中国客户使用上述解决方案,这些方案在各垂直行业中会逐渐成熟。
多样化企业需求会催生出更丰富的AI交付方式
在数字化转型中,企业机构逐渐成熟,需要借助更多的数据和背景信息来做出有益的成果驱动决策。越来越多的中国企业机构,希望AI投入能快速创造价值。业务环境日益复杂,意味着中国企业机构需要使用多种传统和先进AI技术,调整决策流程、获取竞争优势。
中国的AI软件市场增长迅速、竞争激烈
中国的AI软件市场仍将保持快速增长。Gartner预测,该市场未来五年营收将从47.67亿美元增长到138.58亿美元,年复合增长率(CAGR)将达到28%。
中国的AI软件市场中有3,000余家厂商,其中大部分属于AI多面手型厂商,可向客户独立提供自然语言处理(NLP)、计算机视觉(CV)和机器学习(ML)技术。这些厂商提供端到端个性化增强服务、咨询服务和运营服务,解决客户的具体业务问题。随着市场的持续扩张,中国AI软件公司的数量也会增长。
市场主体从AI多面手转变为AI技术专业软件提供商
图3展示了中国AI软件市场的变化趋势:该市场供应商以往面向通用需求,现在逐渐转变为面向细分需求。
图3:中国AI软件市场变化趋势

数据和分析领导者需要将热炒的“AI中台”概念转化为策略性解决方案
目前而言,AI价值的发挥,大多源自一次性的点对点解决方案。在2022年CIO和技术高管调研中,只有4%的中国受访者部署了MLOps。
中台的热度很高,不同厂商在营销中使用的定义五花八门。“AI中台”即是很多解决方案推销中产生的概念。中国的数据和分析领导者需要以清醒的眼光看待AI中台,在实验和运营中专注于可复用的AI工件,包括数据、模型和实施管道。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。